Name: Valutazione di un sistema di riconoscimento attività umana basata-Smartphone in un ambiente di vita quotidiana (Video) | JoVE Journal
Uploaded: 2015-12-11T13:00:00.000+00:00
Duration: 6 min 49 s
Description: Impara un protocollo standardizzato per valutare i sistemi di monitoraggio della mobilità indossabili in un ambiente realistico di vita quotidiana. Questo metodo computazionale misura accuratezza e affidabilità per applicazioni cliniche.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Gli autori riconoscono Evan Beisheim, Nicole Capela, Andrew Herbert-Copley per l&#39;assistenza tecnica e la raccolta dei dati. Il finanziamento dei progetti è stato ricevuto dalle scienze naturali e ingegneria Research Council del Canada (NSERC) e BlackBerry Ltd., inclusi smartphone utilizzati nello studio.

Questo protocollo è stato approvato dal Consiglio di Ricerca Etica Ottawa Health Science Network. 1. Preparazione <ol><li> Fornire ai partecipanti un quadro della ricerca, rispondere alle domande, e ottenere il consenso informato. Caratteristiche dei partecipanti record (ad esempio, età, sesso, altezza, peso, circonferenza vita, altezza gamba dal spinale anteriore superiore iliaca al malleolo mediale), il codice di identificazione, e la data su una scheda tecnica. Verificare che il secondo smartphone che viene utilizzata per catturare video è impostato su almeno 30 fotogrammi al secondo tasso di acquisizione. </li><li> Trovare e collegare una fondina per telefono anteriore destra cintura o mutanda vita del partecipante. Avviare l&#39;applicazione per smartphone che verrà utilizzato per raccogliere i dati del sensore (ad esempio, di registrazione dei dati o di applicazione WMMS) sullo smartphone di misura di mobilità e assicurare che l&#39;applicazione è in esecuzione in modo appropriato. Posizionare lo smartphone nella custodia, con la parte posteriore del dispositivo (ca posterioreMera) rivolto verso l&#39;esterno. </li><li> Avviare la registrazione video digitale su un secondo smartphone. Per l&#39;anonimato, registrare il video confronto senza mostrare il volto della persona, ma assicurarsi di registrare tutte le transizioni di attività. Il telefono può essere tenuto in mano. </li></ol> 2. Circuito Attività <ol><li> Seguire il partecipante e il video le loro azioni, il secondo smartphone, mentre compiono le seguenti azioni, pronunciate dal ricercatore: <ol><li> Da una posizione eretta, agitare lo smartphone per indicare l&#39;inizio del processo. </li><li> Continuare in piedi per almeno 10 secondi. Questa fase in piedi può essere utilizzato per la calibrazione orientamento telefono 14. </li><li> A piedi da una sedia e sedersi. </li><li> Alzarsi e camminare 60 metri di un ascensore. </li><li> Stand e aspettare l&#39;ascensore e poi a piedi in ascensore. </li><li> Prendete l&#39;ascensore fino al secondo piano. </li><li> Girare e camminare in ambiente domestico. </li><li> Entrate in bagno e siMulate lavarsi i denti. </li><li> Simulare pettinatura dei capelli. </li><li> Simulare lavarsi le mani. </li><li> Asciugare le mani con un asciugamano. </li><li> A piedi in cucina. </li><li> Prendete i piatti da un rack e metterli sul banco. </li><li> Riempire una pentola con l&#39;acqua del lavandino della cucina. </li><li> Posizionare il bollitore sul fornello elemento. </li><li> Mettere il pane in un tostapane. </li><li> A piedi dalla sala da pranzo. </li><li> Sedersi a un tavolo da pranzo. </li><li> Simulare mangiare un pasto a tavola. </li><li> Alzarsi e camminare di nuovo al lavello della cucina. </li><li> Risciacquare i piatti e metterli in un rack. </li><li> A piedi dalla cucina di nuovo verso l&#39;ascensore. </li><li> Stand e aspettare l&#39;ascensore e poi a piedi in ascensore. </li><li> Prendete l&#39;ascensore fino al primo piano. </li><li> A piedi a 50 metri di una tromba delle scale. </li><li> Aprire la porta ed entrate nella tromba delle scale. </li><li> Salire le scale (13 gradini, circa atterraggio, 13 scalini). </li><li> Aprire la porta delle scale nel corridoio. </li><li> Girare a destra e proseguire a piedi lungo il corridoio per 15 metri. </li><li> Girarsi e camminare 15 metri di nuovo alla tromba delle scale. </li><li> Aprire la porta ed entrate nella tromba delle scale. </li><li> Proseguire a piedi lungo le scale (13 gradini, circa atterraggio, 13 scalini). </li><li> Uscire dalla tromba delle scale e entrare in una stanza. </li><li> Sdraiatevi su un letto. </li><li> Alzati e cammina 10 metri ad una rampa. </li><li> Salite la rampa, girare intorno, poi giù per la rampa (20 metri). </li><li> Proseguire a piedi nel corridoio ed aprite la porta verso l&#39;esterno. </li><li> Camminare per 100 metri sul sentiero lastricato. </li><li> Girare intorno e tornare indietro per la stanza. </li><li> Camminare nella stanza e stare al punto di partenza. </li><li> Continuare in piedi, e poi agitare lo smartphone per indicare la fine della prova. </li></ol></li></ol> 3. Completamento Trial <ol><li> Fermare lo smartphone di registrazione video e chiedere al partecipante di rimuovere e restituire lo smartphone e fondina. Arrestare la registrazione dei dati o l&#39;applicazione WMMS sulla SMARTphone. Copiare i file di dati acquisiti movimento e il file video da entrambi i telefoni a un computer per la post-elaborazione. </li></ol> 4. post-elaborazione <ol><li> Sincronizzazione temporale tra il video ei dati grezzi sensore determinando il momento in cui l&#39;azione shake iniziato. Questo movimento agitando corrisponde ad un telaio segnale dell&#39;accelerometro e il video distinti. Verificare la presenza di errore di sincronizzazione sottraendo il tempo scossa fine dal momento scossa di inizio, per le origini dati di sensori e video. Differenze di tempo dovrebbero essere simili tra i due insiemi di dati. </li><li> Determinare i tempi effettivi di cambiamento di stato dal video gold-standard registrando la differenza di tempo dal momento in scossa inizio per il fotogramma video nel passaggio tra le attività. Utilizzare software di editing video per ottenere i tempi entro 0,033 sec (ad esempio, 30 fotogrammi al secondo tasso di video). Utilizzare il software WMMS per generare cambiamenti-of-state analoghe, i dati del sensore. </li><li> Generare due insiemi di dati, unocon veri attività e la seconda con attività previste, etichettando l&#39;attività per ogni fotogramma video (in base al cambiamento di temporizzazione di stato) e poi calcolando l&#39;attività prevista in ogni fotogramma video dall&#39;uscita WMMS. Per la valutazione delle prestazioni WMMS, calcolare veri positivi, falsi negativi, veri negativi, falsi positivi tra l&#39;attività gold-standard e WMMS predetto attività. Utilizzare questi parametri per calcolare misure esiti sensibilità, specificità, e F-score. Nota: L&#39;impostazione di tolleranza di 3 finestre di dati su entrambi i lati della finestra analizzato può essere utilizzato per determinare i risultati di cambiamento di stato, e 2 finestre di dati per i risultati di classificazione. Ad esempio, dal 1 finestre secondi dati sono stati utilizzati per la WMMS in questo studio, 3 sec prima e dopo la finestra corrente sono stati esaminati in modo che i cambiamenti consecutivi all&#39;interno della stessa tolleranza vengono ignorati. Il corrispettivo è stato che i cambiamenti di stato che avvengono in meno di 3 secondi può essere ignorato per Huma lordoanalisi del movimento n in quanto questi Stati sarebbe considerato transitorio. </li></ol>

<ol><li>Lara, O. D., Labrador, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Survey+on+Human+Activity+Recognition+using+Wearable+Sensors%5BTitle%5D)+AND+%22IEEE+Communications+Surveys+Tutorials%22%5BJournal%5D)">A Survey on Human Activity Recognition using Wearable Sensors.</a> IEEE Communications Surveys Tutorials. 15 (3), 1192-1209 (2013).</li>
<li>Foerster, F., Smeja, M., Fahrenberg, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+posture+and+motion+by+accelerometry%3A+a+validation+study+in+ambulatory+monitoring%5BTitle%5D)+AND+%22Computers+in+Human+Behavior%22%5BJournal%5D)">Detection of posture and motion by accelerometry: a validation study in ambulatory monitoring.</a> Computers in Human Behavior. 15 (5), 571-583 (1999).</li>
<li>Elsmore, T. F., Naitoh, P. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aElsmore%2C+TF+%22Monitoring+Activity+With+a+Wrist-Worn+Actigraph%3A+Effects+of+Amplifier+Passband+and+threshold+Variations%22">Monitoring Activity With a Wrist-Worn Actigraph: Effects of Amplifier Passband and threshold Variations</a>. , DTIC Online. (1993).</li>
<li>Kripke, D. F., Webster, J. B., Mullaney, D. J., Messin, S., Mason, W. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKripke%2C+DF+%22Measuring+sleep+by+wrist+actigraph%22">Measuring sleep by wrist actigraph</a>. , DTIC Online. (1981).</li>
<li>Lockhart, J. W., Pulickal, T., Weiss, G. M. Applications of mobile activity recognition. Proceedings of the 2012 ACM Conference on Ubiquitous Computing. , 1054-1058 (2012).</li>
<li>Incel, O. D., Kose, M., Ersoy, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Review+and+Taxonomy+of+Activity+Recognition+on+Mobile+Phones%5BTitle%5D)+AND+%22BioNanoScience%22%5BJournal%5D)">A Review and Taxonomy of Activity Recognition on Mobile Phones.</a> BioNanoScience. 3 (2), 145-171 (2013).</li>
<li>Yang, C. C., Hsu, Y. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Review+of+Accelerometry-Based+Wearable+Motion+Detectors+for+Physical+Activity+Monitoring%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">A Review of Accelerometry-Based Wearable Motion Detectors for Physical Activity Monitoring.</a> Sensors. 10 (8), 7772-7788 (2010).</li>
<li>He, Y., Li, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Physical+Activity+Recognition+Utilizing+the+Built-In+Kinematic+Sensors+of+a+Smartphone%5BTitle%5D)+AND+%22International+Journal+of+Distributed+Sensor+Networks%22%5BJournal%5D)">Physical Activity Recognition Utilizing the Built-In Kinematic Sensors of a Smartphone.</a> International Journal of Distributed Sensor Networks. 2013, (2013).</li>
<li>Vo, Q. V., Hoang, M. T., Choi, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Personalization+in+Mobile+Activity+Recognition+System+using+K-medoids+Clustering+Algorithm%5BTitle%5D)+AND+%22International+Journal+of+Distributed+Sensor+Networks%22%5BJournal%5D)">Personalization in Mobile Activity Recognition System using K-medoids Clustering Algorithm.</a> International Journal of Distributed Sensor Networks. 2013, (2013).</li>
<li>Dernbach, S., Das, B., Krishnan, N. C., Thomas, B. L., Cook, D. J. Simple and Complex Activity Recognition through Smart Phones. 8th International Conference on Intelligent Environments (IE), , 214-221 (2012).</li>
<li>Hache, G., Lemaire, E. D., Baddour, N. Mobility change-of-state detection using a smartphone-based approach. IEEE International Workshop on Medical Measurements and Applications Proceedings (MeMeA). , 43-46 (2010).</li>
<li>Wu, H. H., Lemaire, E. D., Baddour, N. Change-of-state determination to recognize mobility activities using a BlackBerry smartphone. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, , EMBC. 5252-5255 (2011).</li>
<li>Wu, H., Lemaire, E. D., Baddour, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Activity+Change-of-state+Identification+Using+a+Blackberry+Smartphone%5BTitle%5D)+AND+%22Journal+of+Medical+and+Biological+Engineering%22%5BJournal%5D)">Activity Change-of-state Identification Using a Blackberry Smartphone.</a> Journal of Medical and Biological Engineering. 32 (4), 265-271 (2012).</li>
<li>Tundo, M. D., Lemaire, E., Baddour, N. Correcting Smartphone orientation for accelerometer-based analysis. IEEE International Symposium on Medical Measurements and Applications Proceedings (MeMeA). , 58-62 (2013).</li>
<li>Tundo, M. D. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Development+of+a+human+activity+recognition+system+using+inertial+measurement+unit+sensors+on+a+smartphone%22">Development of a human activity recognition system using inertial measurement unit sensors on a smartphone</a>. , Available from: 
 <a target="_blank" href="http://www.ruor.uottawa.ca/handle/10393/30963">http://www.ruor.uottawa.ca/handle/10393/30963</a> (2014).</li>
</ol>

Gli autori dichiarano di non avere interessi finanziari concorrenti.

Riconoscimento L&#39;attività umana, con un sistema di monitoraggio della mobilità indossabile ha ricevuto più attenzione negli ultimi anni grazie ai progressi tecnici nel campo dell&#39;informatica e smartphone indossabili e le esigenze sistematici per misure quantitative di esito che aiutano con processo decisionale clinico e valutazione intervento sanitario. La metodologia descritta nel presente documento è stato efficace per valutare lo sviluppo WMMS poiché si è constatato che non sarebbe stato presente se una vasta...

Rilevamento onnipresente è diventata un&#39;area di ricerca coinvolgente a causa di sempre più potenti, piccolo, di calcolo a basso costo e apparecchiature di rilevamento 1. Mobilità monitoraggio tramite sensori indossabili ha generato un grande interesse da microelettronica a livello dei consumatori siano in grado di rilevare caratteristiche di movimento con elevata precisione 1. Riconoscimento L&#39;attività umana (HAR) utilizzando sensori indossabili è una recente settore della ricerca, con studi preliminari effettuati negli anni 1980 e 1990 2-4. Moderni smartphone contengono i sensori necessari e la capacità di calcolo in tempo reale per il riconoscimento di attività di mobilità. Analisi in tempo reale sul dispositivo consente classificazione delle attività e caricamento dei dati, senza l&#39;intervento dell&#39;utente o investigatore. Uno smartphone con il software di analisi della mobilità potrebbe fornire fitness tracking, il monitoraggio sanitario, cadere rilevamento di casa e l&#39;automazione di lavoro, e di auto-gestione exercisprogrammi di e 5. Gli smartphone possono essere considerati piattaforme di misura inerziale per la rilevazione di attività mobili e modelli di mobili negli esseri umani, con caratteristiche di segnale matematici generati calcolati con uscite del sensore a bordo 6. Metodi di generazione di funzionalità comuni includono euristica, nel dominio del tempo, nel dominio della frequenza, e wavelet approcci di analisi basati su 7. Sistemi smartphone HAR moderni hanno mostrato elevate precisioni di previsione quando rileva attività specificate 1,5,6,7. Questi studi variano in metodologia di valutazione, così come la precisione da maggior parte degli studi hanno un proprio insieme di addestramento, l&#39;installazione ambientale, e il protocollo di raccolta dei dati. La sensibilità, la specificità, la precisione, richiamo, precisione, e F-Score sono comunemente usati per descrivere la qualità previsione. Tuttavia, a poco a non sono disponibili informazioni sui metodi per il riconoscimento &quot;attività simultanee&quot; e valutazione della capacità di rilevare i cambiamenti di attività in tempo reale1, per i sistemi HAR che tentano di classificare diverse attività. Metodi di valutazione per HAR precisione del sistema variano notevolmente tra gli studi. Indipendentemente dal algoritmo di classificazione o funzioni applicate, le descrizioni dei metodi di valutazione standard di oro sono vaghi per la maggior parte della ricerca HAR. Il riconoscimento di attività in un ambiente di vita quotidiana non è stato ampiamente studiato. La maggior parte dei sistemi di riconoscimento di attività basati smartphone-sono valutate in modo controllato, portando ad un protocollo di valutazione che può essere vantaggioso per l&#39;algoritmo piuttosto che realistico un ambiente reale. All&#39;interno del loro schema di valutazione, i partecipanti spesso eseguono solo le azioni previste per la previsione, piuttosto che l&#39;applicazione di una vasta gamma di attività realistici per il partecipante di eseguire consecutivamente, imitando eventi della vita reale. Alcuni HAR smartphone studia 8,9 gruppo attività simili insieme, come scale e passeggiate, Ma escludere altre attività dal set di dati. Accuratezza previsione è quindi determinato da quanto bene l&#39;algoritmo ha individuato le attività target. Dernbach et al. 9 hanno avuto partecipanti scrivono l&#39;attività che stavano per eseguire, prima di trasferirsi, di interrompere le transizioni continue di cambiamento di stato. Le valutazioni del sistema HAR dovrebbero valutare l&#39;algoritmo mentre il partecipante compie azioni naturali in un ambiente vita quotidiana. Ciò consentirebbe una valutazione in vivo che riproduce l&#39;uso quotidiano dell&#39;applicazione. Un circuito realistico include molti cambiamenti di stato e un insieme di azioni non prevedibili dal sistema. Un investigatore può quindi valutare la risposta dell&#39;algoritmo di questi movimenti supplementari, valutando in tal modo la robustezza dell&#39;algoritmo di movimenti anomali. Questo articolo presenta un protocollo di valutazione Wearable Mobility System Monitoring (WMMS) che utilizza un percorso controllato che riflette ambienti di vita quotidiana della vita reale. WMMSvalutazione può quindi essere effettuata in condizioni controllate, ma realistiche. In questo protocollo, si usa un WMMS terza generazione che è stato sviluppato presso l&#39;Università di Ottawa e Ottawa Hospital Research Institute 11-15. Il WMMS è stato progettato per gli smartphone con un accelerometro a tre assi e giroscopio. Conti L&#39;algoritmo mobilità variabilità utente, fornisce una riduzione del numero di falsi positivi per l&#39;identificazione cambiamenti di stato, e aumenta la sensibilità nell&#39;attività categorizzazione. Minimizzare falsi positivi è importante in quanto la WMMS innesca breve registrazione video clip quando vengono rilevate modifiche di attività di stato, per la valutazione attività sensibile al contesto che migliora ulteriormente la classificazione WMMS. Registrazione video inutile crea inefficienze di immagazzinamento e l&#39;uso della batteria. L&#39;algoritmo WMMS è strutturata come un modello a basso computazionale apprendimento e valutata utilizzando diversi livelli di previsione, in cui un aumento del livello previsione indica un aumento nella quantitàazioni di riconoscibili.

<table><tbody><tr><td>Smartphone o dispositivo di misurazione indossabile</td><td>Blackberry</td><td>Z10</td><td></td></tr><tr><td>Smartphone per la registrazione video</td><td>Blackberry</td><td>Z10 o 9800</td><td></td></tr><tr><td>Fondina per telefono</td><td>Qualsiasi</td><td></td><td></td></tr><tr><td>applicazione Data logger per smartphone</td><td>BlackBerry World - TOHRC Data Logger per BlackBerry 10</td><td></td><td><a href="http://appworld.blackberry.com/webstore/content/32013891/?countrycode=CA">http://appworld.blackberry.com/webstore/content/32013891/?countrycode=CA</a></td></tr><tr><td>Misurazione della mobilità indossabile</td><td>Software personalizzato Blackberry 10 e Matlab per il monitoraggio</td><td></td> della mobilità<td><a href="http://www.irrd.ca/cag/smartphone/">http://www.irrd.ca/cag/smartphone/</a></td></tr><tr><td>Editing video o software di analisi</td><td>Motion Analysis Tools</td><td></td><td><a href="http://www.irrd.ca/cag/mat/">http://www.irrd.ca/cag/mat/</a></td></tr></tbody></table>

valutazione di un sistema di riconoscimento attività umana basata-smartphone in un ambiente di vita quotidiana

Evaluation of a Smartphone-based Human Activity Recognition System in a Daily Living Environment

È stato sviluppato un metodo di valutazione che include attività continue in un ambiente di vita quotidiana per i sistemi di monitoraggio della mobilità indossabile (WMMS) che tentano di riconoscere le attività dell'utente. I partecipanti hanno eseguito una serie predeterminata di azioni della vita quotidiana all'interno di un circuito di test continuo che includeva attività di mobilità (camminare, stare in piedi, sedersi, sdraiarsi, salire/scendere le scale), attività della vita quotidiana (pettinarsi i capelli, lavarsi i denti, preparare il cibo, mangiare, lavare i piatti) e sottili cambiamenti ambientali (aprire le porte, usare un ascensore, camminare su pendii, attraversare pianerottoli delle scale, camminare all'aperto). 
Per valutare le prestazioni del WMMS su questo circuito, quindici partecipanti normodotati hanno completato i compiti indossando uno smartphone sul bacino anteriore destro. L'applicazione WMMS utilizzava i segnali dell'accelerometro e del giroscopio dello smartphone per classificare gli stati di attività. È stato creato un set di dati di confronto gold standard registrando video ogni prova e registrando manualmente i tempi di insorgenza dell'attività. I dati gold standard e WMMS sono stati analizzati offline. Per ogni circuito sono stati calcolati tre set di classificazione: (i) mobilità o immobilità, ii) sedersi, stare in piedi, sdraiarsi o camminare e (iii) sedersi, stare in piedi, sdraiarsi, camminare, salire le scale o piccoli movimenti in piedi. Sono state calcolate le sensibilità, le specificità e gli F-Score per la categorizzazione dell'attività e i cambiamenti di stato.
Il set di classificazione mobile vs immobile aveva una sensibilità dell'86,30% ± 7,2% e una specificità del 98,96% ± 0,6%, mentre il secondo set di predizione aveva una sensibilità dell'88,35% ± 7,80% e una specificità del 98,51% ± 0,62%. Per il terzo set di classificazione, la sensibilità era dell'84,92% ± 6,38% e la specificità era del 98,17 ± 0,62. I punteggi F1 per il primo, il secondo e il terzo set di classificazione sono stati rispettivamente 86,17 ± 6,3, 80,19 ± 6,36 e 78,42 ± 5,96. Ciò dimostra che le prestazioni di WMMS dipendono dal protocollo di valutazione oltre che dagli algoritmi. Il protocollo dimostrato può essere utilizzato e adattato per valutare i sistemi di riconoscimento dell'attività umana in medicina riabilitativa, dove il monitoraggio della mobilità può essere utile nel processo decisionale clinico.

Il protocollo dello studio è stato condotto con un campione di convenienza di quindici partecipanti normodotati il ​​cui peso medio era 68,9 (± 11,1) kg, altezza era 173,9 (± 11.4) cm, e l&#39;età era di 26 (± 9) anni, reclutati da L&#39;ospedale di Ottawa e Università di Ottawa e personale degli studenti. Uno smartphone catturato dati del sensore a una velocità di 40-50 Hz variabile. Variazioni dei tassi di campionamento sono tipiche per il campionamento del sensore smartphone. Un secondo smartphone è stato utilizzato ...

È stato sviluppato un metodo di valutazione standardizzato per i sistemi di monitoraggio della mobilità indossabile (WMMS) che include attività continue in un ambiente di vita quotidiana realistico. I test con una serie di attività della vita quotidiana possono ridurre la sensibilità al riconoscimento dell'attività; pertanto, sono incoraggiati circuiti di test realistici per una valutazione valida delle prestazioni del WMMS.

Valutazione di un sistema di riconoscimento attività umana basata-Smartphone in un ambiente di vita quotidiana

An evaluation method that includes continuous activities in a daily-living environment was developed for Wearable Mobility Monitoring Systems (WMMS) that ...

L'obiettivo generale di questa metodologia di riconoscimento delle attività è fornire un metodo standardizzato di valutazione per testare sistemi indossabili di monitoraggio della mobilità includendo attività continue in un ambiente realistico di vita quotidiana. Questo metodo può aiutare a rispondere a domande fondamentali nei settori della riabilitazione fisica, dell'ingegneria biomedica e della biomeccanica, ad esempio se i sistemi di sensori indossabili che registrano come si muove una persona forniscano risultati accurati e affidabili. Il vantaggio principale di questa tecnica è che il protocollo di valutazione utilizza un percorso controllato che rispecchia gli ambienti reali della vita quotidiana. Iniziare fissando saldamente un supporto per telefono all'anca anteriore destra del partecipante.Avviare l'applicazione sullo smartphone utilizzato per la misurazione della mobilità, che serve a raccogliere i dati del sensore. Quindi, posizionare lo smartphone nel supporto con la parte posteriore del dispositivo rivolta verso l'esterno. Successivamente, avviare una registrazione video digitale su un secondo smartphone per garantire l'anonimato.Registra il video di confronto sul secondo smartphone senza mostrare il volto del partecipante. Tuttavia, assicurati che tutte le transizioni tra le attività siano registrate durante il circuito di attività. Segui il partecipante e utilizza il secondo smartphone per registrare tutte le azioni del partecipante.Cominciare fornendo al partecipante le seguenti istruzioni da una posizione eretta. Scuotere lo smartphone per indicare l'inizio della prova. Mantenere la posizione in piedi per almeno 10 secondi, quindi camminare verso una sedia nelle vicinanze e sedersi.In piedi, camminare per 60 metri fino a una fermata dell'ascensore e attendere l'arrivo dell'ascensore, quindi entrare nell'ascensore. Successivamente, girarsi ed entrare nell'ambiente domestico. Entrare in bagno e simulare lo spazzolamento dei denti, la pettinatura dei capelli, il lavaggio delle mani e quindi l'asciugatura delle mani con un asciugamano.In seguito, andare in cucina, prendere le stoviglie da un portastoviglie e posizionarle sul piano di lavoro. Riempire un bollitore con acqua dal lavandino della cucina e mettere il bollitore sul fornello. Successivamente, inserire il pane in un tostapane.Successivamente, andare in sala da pranzo e sedersi al tavolo. Simulare il consumo di un pasto al tavolo. Quindi alzarsi e tornare al lavandino della cucina per sciacquare i piatti e posizionarli su uno scolapiatti.Percorrere 50 metri fino a un vano scale. Aprire la porta ed entrare nel vano scale. Salire 13 gradini e aprire la porta del vano scale per accedere al corridoio.Procedere a destra e camminare lungo il corridoio per 15 metri. Quindi chiedere al partecipante di girarsi e camminare per 15 metri in senso inverso fino al vano scale. Aprire la porta, entrare nel vano scale e scendere di 13 gradini, quindi uscire dal vano scale.Successivamente, entri in una stanza e si sdrai sul letto. Poi si alzi e cammini per 10 metri fino a una rampa. Salga sulla rampa, si giri e quindi scenda dalla rampa.Continuare a camminare lungo il corridoio e aprire la porta che porta all'esterno. Successivamente, percorrere 100 metri lungo il sentiero asfaltato. Voltarsi e tornare indietro verso la stanza.Quindi entri nella stanza e si fermi al punto di partenza. Resti in piedi e scuota lo smartphone per indicare la fine della prova. Al termine della prova, interrompa la registrazione dal secondo smartphone e rimuova il primo smartphone con il supporto dal partecipante.Infine, arrestare l'applicazione di registrazione dei dati sul primo smartphone. Copiare i file dei dati di movimento e i file video da entrambi i telefoni su un computer per l'elaborazione successiva. Questo protocollo ha illustrato un metodo di valutazione per sistemi indossabili di monitoraggio della mobilità, o WMMS, durante attività continue in un ambiente domestico.La sensibilità e la specificità sono state misurate per tre tipi di classificazioni, mobilità o immobilità. Seduto, in piedi, sdraiato o in cammino e seduto, in piedi, sdraiato, in cammino, salire le scale o piccoli movimenti in piedi. Sebbene questo protocollo produca risultati più conservativi per i sistemi WMMS rispetto ai rapporti precedenti, i risultati riportati qui rifletteranno meglio gli esiti nella pratica quotidiana.Una volta padroneggiata, questa tecnica può essere completata in 10-15 minuti se eseguita correttamente. Durante il tentativo di questa procedura, è importante ricordare di fornire istruzioni chiare al partecipante allo studio e di registrare tutte le transizioni di attività in modo che possano essere annotate a partire dal video. Dopo questa procedura, altri metodi computazionali possono essere applicati all'uscita del sensore per sviluppare migliori metodi di classificazione dell'attività dopo il suo sviluppo.Questa tecnica apre la strada ai ricercatori nel campo del riconoscimento dell'attività umana per esplorare il monitoraggio della mobilità indossabile in un ambiente che può essere trasferito al mondo reale. Dopo aver visto questo video, si dovrebbe avere una buona comprensione di come configurare un ambiente di prova continuo e acquisire dati pertinenti sui movimenti umani per valutare applicazioni di monitoraggio dell'attività umana. Non dimenticare che le persone con disabilità avranno capacità di mobilità e di equilibrio diverse, quindi è necessario adottare precauzioni per evitare cadute o sforzi eccessivi durante l'esecuzione di questa procedura.

evaluation-smartphone-based-human-activity-recognition-system-daily

Research

Ricerca

JoVE Journal

Behavior

Comportamento

Questo manoscritto descrive il metodo per testare la validità concorrente delle misure cinematiche registrate dall'applicazione per smartphone rispetto a un sistema di motion capture 3D sul piano sagittale. Questo protocollo consentirà ai medici di configurare gli smartphone per l'acquisizione video del movimento umano.

Video Analisi del Movimento Utilizzando Smartphone (VIMAS): uno studio pilota

Questo studio presenta un protocollo di progettazione e produzione di un dispositivo indossabile occhiali-tipo che rileva i modelli dell'ingestione di cibo e altre attività fisiche consigliati utilizzando celle di carico inserito in entrambe le cerniere dei vetri.

Progettazione e valutazione di vetri per ingestione di cibo e la classificazione di attività fisica

Sensori non invadente e tecnologia di calcolo pervasiva integrate nella vita domestica quotidiana di anziani adulti consente significativi salute e cambiamenti di attività da registrare continuamente per mesi o anni, fornendo ecologicamente valida, ad alta frequenza, dati multi-dominio per ricerca e uso clinico.

Metodologia per l'istituzione di un laboratorio di vita comunitaria per l'acquisizione di attività remota discreto e continuo e dati sulla salute

Abbiamo progettato un test di realtà virtuale per valutare le attività strumentali della vita quotidiana (IADL) con un sistema di motion capture. Vi proponiamo una dettagliata analisi cinematica per interpretare il partecipante vari movimenti, tra cui traiettoria, distanza commovente e il tempo di completamento per valutare le capacità IADL.

Misura della cinematica dei movimenti di vita quotidiana con sistemi di Motion Capture in realtà virtuale

Questo dispositivo innovativo utilizza sensori magneto-inerziali per consentire l'analisi dell'andatura e dell'attività in ambienti incontrollati. Attualmente nel processo di qualificazione come misura di risultato nell'Agenzia medica europea, una delle applicazioni sarà quella di fungere da endpoint clinico negli studi clinici in malattie neuromuscolari.

Monitoraggio basato su home per l'analisi dell'andatura e dell'attività

Viene proposto un protocollo per catturare la funzione naturale della mano di individui con disabilità della mano durante le loro routine quotidiane utilizzando una fotocamera egocentrica. L'obiettivo del protocollo è garantire che le registrazioni siano rappresentative dell'uso tipico della mano di un individuo durante le attività della vita quotidiana a casa.

Catturare l'uso rappresentativo della mano a casa usando video egocentrici in individui con compromissione degli arti superiori

Il presente protocollo introduce un'applicazione auto-sviluppata non commerciale per la raccolta di dati in tempo reale in loco, tra cui bilance psicologiche, posizione GPS, frequenza cardiaca e livello di saturazione di ossigeno nel sangue, nonché le procedure operative dell'applicazione. Uno studio empirico condotto a Taiwan nel 2020 è stato utilizzato come esempio di applicazione.

Un'applicazione per l'abbinamento con dispositivi indossabili per monitorare lo stato di salute personale

Gli smartwatch commerciali dotati di sensori indossabili vengono sempre più utilizzati negli studi sulla popolazione. Tuttavia, la loro utilità è spesso limitata dalla durata limitata della batteria, dalla capacità di memoria e dalla qualità dei dati. Questo rapporto fornisce esempi di soluzioni economiche alle sfide tecniche della vita reale incontrate durante gli studi che coinvolgono bambini asmatici e pazienti cardiaci anziani.

Configurazione di dispositivi indossabili di consumo per l'esposizione e il monitoraggio della salute negli studi di popolazione

Questo articolo propone un sistema basato sull'intelligenza artificiale per rilevare automaticamente se gli studenti stanno prestando attenzione alla classe o sono distratti. Questo sistema è progettato per aiutare gli insegnanti a mantenere l'attenzione degli studenti, ottimizzare le loro lezioni e introdurre dinamicamente modifiche in modo che siano più coinvolgenti.

Sistema basato sull'intelligenza artificiale per rilevare i livelli di attenzione negli studenti

Questo documento delinea la valutazione delle prestazioni motorie lorde dei neonati con un dispositivo indossabile multisensore e la sua pipeline di analisi basata sul deep learning completamente automatizzata. Il metodo quantifica la postura e gli schemi di movimento dei bambini da sdraiati supini fino a quando non padroneggiano la camminata in modo indipendente.

Valutazione quantificata delle capacità motorie grossolane del bambino utilizzando un dispositivo indossabile multisensore

M3-BREATHE è un sistema mobile health (mHealth) che integra sensori indossabili per monitorare la respirazione, il comportamento e le esposizioni ambientali per un trattamento personalizzato e una valutazione della salute nel mondo reale.

M3-BREATHE nel mondo reale: verso il monitoraggio multimodale mobile del comportamento, della respirazione e delle esposizioni per il trattamento e la valutazione della salute

Impara un protocollo standardizzato per valutare i sistemi di monitoraggio della mobilità indossabili in un ambiente realistico di vita quotidiana. Questo metodo computazionale misura accuratezza e affidabilità per applicazioni cliniche.

Valutazione di un sistema di riconoscimento attività umana basata-Smartphone in un ambiente di vita quotidiana

Esplora altri video